R u Ready? HS2025 | Psychologie der Digitalisierung - Einheit 3

Sandra Grinschgl, Aaron Friedli, Lars Schilling

R u Ready? Reprodzierbare Datenaufbereitung und -analyse mit R

HS 2025


LV-Leitung: Dr. Sandra Grinschgl / MSc. Aaron Friedli
Tutor: BSc. Lars Schilling


3. Einheit, 17.09.2025

Fragen zum Datenanalyseplan:

Fragen zu den Hands On Übungen der ersten beiden Wochen?

  • Hier eine sprachlich glattere Version deiner Fragen:

  • Fragen zu den Hands-On-Übungen der ersten beiden Wochen?

  • Was hat euch Schwierigkeiten bereitet?

  • Gibt es noch Unklarheiten?

  • Welche Übungen sollen wir gemeinsam live durchgehen?

Heute:

Peer-Pairings

XXX

Forschungsdatenmanagement:

Planung, Organisation, Speicherung, Dokumentation und Archivierung von Daten während des gesamten Forschungsprozesses.

Warum Datenmanagement:

  • Datenflut in der Forschung Risiken ohne gutes Management

Ziele von Datenmanagement:

  • Qualitätssicherung

  • Sicherheit/Datenschutz & Ethik

  • Reproduzierbarkeit

  • Nachhaltigkeit und Transparenz

Forschungsdatenmanagement (2)

Standards & Vorgaben:

  • Fair Prinzipien

  • Data Management Plan (SNF)

  • Förderorganisatornen & Journals

Praktische Umsetzung:

  • Ordnerstrukturen & Versionierung

  • Dokumentation (README, Codebooks)

  • Offene Dateiformate

https://www.go-fair.org/fair-principles/

Ordnerstrukturen: Psych-DS

  • Standard für die Organisation von Daten, Skripten und weiteren Studiendokumenten

Psych-DS für unser Zwecke:

  • Leicht Abgeändertes Format für die Abgaben.

    • Macht es leichter für uns die Abgaben zu kontrollieren

  • Hilft euch eine übersichtliche Ordnerstruktur zu behalten

Psych-DS: Wichtigste Grundsätze

  • Datenfiles nur in “data”.

    • Die Rohdatenfiles werden nicht bearbeitet!

    • Der aufbereitete Datensatz -> data/processed

  • Codebook in Ordner “data”

  • Datenanalyseplan in “preregistration”

  • Skripte in “code”

    • Aufbereitungsschritte im Skript “proocessing”

    • Analyse (mit dem processed datensatz) im Skript “analysis”

  • Keine redundanten Files!

Wiederholung: Bennenung von Variablen ect. in R

  • Namen können aus Buchstaben, Zahlen und Zeichen (_ oder .) bestehen

  • Er muss mit Buchstaben begonnen werden und darf keine Leerzeichen beinhalten

  • Sonderzeichen und Großbuchstaben sollten vermieden werden Keine Namen verwenden, die schon an Funktionen vergeben sind (z.B. mean())

  • Empfehlung für einen leserlichen Code: snake_case

  • Name soll Variable inhaltlich bestmöglich beschreiben

  • Reproduzierbarkeit; „clarity instead of brevity“

  • Benennung am besten in Englisch um internationalen Standards zu folgen

  • Kommentierung von R-Code mit #

    • Text nach # wird ignoriert (für 1 Zeile)

    • Neue Zeilen müssen wieder mit # beginnen

Codebook

  • Naiver Personen sollen Datensatz nachvollziehen können (Reproduzierbarkeit & Zusatzanalysen)

  • Beinhaltet eine Liste und Beschreibung aller Variablen

    • Wie wurde die Variable erhoben (z.B. aus welchem Fragebogen)?

    • Wie wurde die Variable berechnet (z.B. Summenscore, Mittelwert)?

    • Welche Werte kann die Variable annehmen (Minimum und Maximum)?

Wichtige Grunsätze für das Codebook

  • Am besten für Rohdaten als auch weiter-verarbeitete Daten

  • Variablennamen in Codebook sollen identisch zu Variablennamen in Datensatz sein

  • Variable muss ausführlich genug beschrieben sein, sodass andere Personen es nachvollziehen können

Codebook: Vorlage

  • Kann in verschiedenen Formaten erstellt werden (Word, Excel, ect.)

  • Excel-Vorlage für das Seminar (siehe ILIAS - Abschlussprojekt - Codebook)

  • Beispiel: “Example_Codebook” - Ordner

  • Für weitere Anleitungen siehe “Guideline_Codebook”.

Siehe auch: Pennington (2023)

Reproduzierbare Auwertung: Grundsätze

  • Digitale Rohdaten

  • Skript soll den gesamten Weg von den Rohdaten bis hin zu den Ergebnissen dokumentieren

  • Wenn man euren Code auf den Rohdaten laufen lässt, sollte man (fehlerfrei) zu den Ergebnissen kommen

  • Skript ist kommentiert und sinnvoll gegliedert

Rohdaten für Grinschgl et al. 2020

  • Bereits vorhanden in euren Ordnern (r_you_ready)

  • Wir mergen diese heute oder in EH4 zu einem vollständigen Datensatz –> dat_full

Codebook

  • Notwendig für „gemergten“ Datensatz „dat_full“

  • Vorlage ist auf Englisch, kann aber auch auf Deutsch ausgefüllt werden (selbes gilt für Datenanalyseplan)

  • Basierend auf Horstmann et al. (2020)

  • Abgabe bis EH6 über ILIAS

  • Danach Peer Feedback

Beispiel Codebook BFI

  • XXX Live Zeigen? @Sandra?

  • Schritte – Import BFI Datenset, EInige Variablen Live eintragen?

Heute haben wir…

… Uns mit den Grundlagen von Forschungsdatenmanagement beschäftigt

… PsychDS als einen Standard kennengelernt

…Style-Empfehlungen für R Code besprochen

…die Gründe für und den Aufbau von einem Codebook besprochen

…Datensätze in R importiert

…diese gemerged und exportiert

Hausübungen

  • Codebook erstellen bis Mi 22.10.2025

Literatur: